銷量預(yù)測(cè)一直是一個(gè)重點(diǎn)研究的問(wèn)題,一個(gè)準(zhǔn)確的銷量預(yù)測(cè)可以為企業(yè)控制成本,提前規(guī)劃市場(chǎng)和部署戰(zhàn)略。這個(gè)問(wèn)題解決的好就能為企業(yè)的未來(lái)規(guī)劃提供重要決策的理論支持。氨綸是聚氨基甲酸酯纖維的簡(jiǎn)稱,但因其需要保存在溫濕均恒的環(huán)境內(nèi),溫度18-20攝氏度之間。并且不宜放于日光曝曬之地方,不宜與二氧化硫,氮氧化物等化工產(chǎn)品一起存放。這些限制條件又使得企業(yè)在生產(chǎn)氨綸產(chǎn)品等要有較為嚴(yán)謹(jǐn)?shù)纳a(chǎn)計(jì)劃,否則會(huì)造成大量產(chǎn)品損毀。因此,氨綸產(chǎn)品銷售預(yù)測(cè)對(duì)生產(chǎn)氨綸的企業(yè)來(lái)說(shuō)有著重大的意義。本文利用Stacking策略將Xgboost、SVR（Support Vector Regression）支持向量回歸、GRU神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型,然后將lightGBM作為最終的預(yù)測(cè)模型中了幾種模型的優(yōu)勢(shì),大大的提高了模型的預(yù)測(cè)性能,更加接近真實(shí)的銷量數(shù)據(jù),為回歸預(yù)測(cè)提供一種新的預(yù)測(cè)方法。除此之外,并且融合了新的特征。本文從網(wǎng)站上爬取了用戶口碑?dāng)?shù)據(jù),通過(guò)分詞、情感分類對(duì)其進(jìn)行處理。在對(duì)于歷史銷售數(shù)據(jù)時(shí),采用滑動(dòng)窗口的方法,構(gòu)造了一系列的特征。最終將特征篩選出來(lái)的特征和構(gòu)造的特征進(jìn)行了融合,作為最后一層模型的訓(xùn)練數(shù)據(jù)。在結(jié)果分析時(shí),... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)遼寧省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 課題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 銷售預(yù)測(cè)研究現(xiàn)狀
        1.2.2 集成學(xué)習(xí)研究現(xiàn)狀
    1.3 論文的組織結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 相關(guān)理論基礎(chǔ)及方法
    2.1 回歸預(yù)測(cè)方法
        2.1.1 SVR
        2.1.2 Xgboost
        2.1.3 lightGBM
    2.2 深度學(xué)習(xí)模型
        2.2.1 GRU
    2.3 集成學(xué)習(xí)
        2.3.1 Bagging
        2.3.2 boosting
        2.3.3 Stacking
    2.4 評(píng)價(jià)函數(shù)
    2.5 本章小結(jié)
第3章 數(shù)據(jù)準(zhǔn)備
    3.1 數(shù)據(jù)準(zhǔn)備
        3.1.1 歷史銷售數(shù)據(jù)
        3.1.2 用戶評(píng)論數(shù)據(jù)
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 歷史銷售數(shù)據(jù)處理
        3.2.2 用戶口碑文本數(shù)據(jù)處理
    3.3 本章小結(jié)
第4章 特征工程
    4.1 特征工程簡(jiǎn)介
    4.2 特征工程的組成
        4.2.1 特征提取過(guò)程
        4.2.2 特征工程處理方法
    4.3 特征工程設(shè)計(jì)思路
    4.4 特征工程構(gòu)造結(jié)果
    4.5 本章小結(jié)
第5章 銷售預(yù)測(cè)組合模型設(shè)計(jì)與應(yīng)用
    5.1 基本模型訓(xùn)練
        5.1.1 模型確定流程簡(jiǎn)介
        5.1.2 SVR
            5.1.2.1 SVR參數(shù)確定
            5.1.2.2 SVR預(yù)測(cè)結(jié)果
        5.1.3 Xgboost
            5.1.3.1 Xgboost參數(shù)確定
            5.1.3.2 Xgboost預(yù)測(cè)結(jié)果
        5.1.4 GRU
            5.1.4.1 GRU防止過(guò)擬合
            5.1.4.2 GRU預(yù)測(cè)效果
        5.1.5 lightGBM
            5.1.5.1 lightGBM調(diào)節(jié)參數(shù)
            5.1.5.2 預(yù)測(cè)效果
    5.2 多種模型融合的銷售預(yù)測(cè)算法
        5.2.1 算法簡(jiǎn)介
        5.2.2 預(yù)測(cè)結(jié)果分析
    5.3 算法應(yīng)用
        5.3.1 智能分揀系統(tǒng)介紹
        5.3.2 銷量預(yù)測(cè)
    5.4 本章小結(jié)
第6章 結(jié)論與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于強(qiáng)化學(xué)習(xí)的超參數(shù)優(yōu)化方法[J]. 陳森朋,吳佳,陳修云.  小型微型計(jì)算機(jī)系統(tǒng). 2020(04)
[2]應(yīng)用時(shí)間序列組合預(yù)測(cè)方法的卷煙銷售預(yù)測(cè)模型[J]. 葉明亮.  福建電腦. 2020(02)
[3]基于CNN-LightGBM模型的高速公路交通量預(yù)測(cè)[J]. 張振,曾獻(xiàn)輝.  信息技術(shù)與網(wǎng)絡(luò)安全. 2020(02)
[4]基于灰色理論的服裝企業(yè)銷售預(yù)測(cè)模型[J]. 王昕彤,王秀敏,郭瑞良,劉小藝,韓燁.  絲綢. 2020(02)
[5]基于LSTM-ARIMA模型的短期航班飛行軌跡預(yù)測(cè)[J]. 石慶研,岳聚財(cái),韓萍,王文青.  信號(hào)處理. 2019(12)
[6]基于LSTM和Word2Vec的情感分析在商品評(píng)論中的應(yīng)用[J]. 周萌.  統(tǒng)計(jì)與管理. 2019(12)
[7]基于商品評(píng)論的群體用戶情感趨勢(shì)預(yù)測(cè)研究[J]. 周俊鵬,高嶺,曹瑞,高全力,鄭杰,王海.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2019(04)
[8]基于Stacking策略的過(guò)程剩余執(zhí)行時(shí)間預(yù)測(cè)[J]. 李帥標(biāo),趙海燕,陳慶奎,曹健.  小型微型計(jì)算機(jī)系統(tǒng). 2019(12)
[9]基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測(cè)模型[J]. 圣文順,趙翰馳,孫艷文.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(12)
[10]基于深度LightGBM集成學(xué)習(xí)模型的谷歌商店顧客購(gòu)買力預(yù)測(cè)[J]. 葉志宇,馮愛民,高航.  計(jì)算機(jī)應(yīng)用. 2019(12)

碩士論文
[1]基于消費(fèi)者UGC的產(chǎn)品競(jìng)爭(zhēng)對(duì)手識(shí)別與銷量預(yù)測(cè)研究[D]. 邱海斌.吉林大學(xué) 2019
[2]基于在線評(píng)論文本情感極性分析的產(chǎn)品銷售預(yù)測(cè)研究[D]. 竇子欣.廣州大學(xué) 2019
[3]基于XGBoost方法的ND公司門店銷售預(yù)測(cè)研究[D]. 逯曉瞳.北京工業(yè)大學(xué) 2019
[4]基于SARIMA和BP神經(jīng)網(wǎng)絡(luò)的新能源汽車銷售預(yù)測(cè)[D]. 白一凡.湘潭大學(xué) 2019
[5]改進(jìn)的指數(shù)平滑模型在M企業(yè)醫(yī)藥銷售預(yù)測(cè)中的應(yīng)用研究[D]. 何亞麗.華中科技大學(xué) 2019
[6]基于組合模型的銷售量預(yù)測(cè)及優(yōu)化[D]. 李欣芮.華北電力大學(xué)(北京) 2019
[7]基于LSTM的時(shí)間序列混合預(yù)測(cè)方法研究[D]. 黃宏偉.湘潭大學(xué) 2018
[8]基于組合預(yù)測(cè)模型的服裝銷量預(yù)測(cè)研究[D]. 徐倩茹.長(zhǎng)安大學(xué) 2018
[9]基于機(jī)器學(xué)習(xí)的混沌時(shí)間序列預(yù)測(cè)研究及應(yīng)用[D]. 姜振豪.東南大學(xué) 2018
[10]基于ARIMA-LSTM混合模型的機(jī)械傳動(dòng)件制造企業(yè)銷售預(yù)測(cè)方法研究與應(yīng)用[D]. 程俊.電子科技大學(xué) 2018



本文編號(hào)：3030501